基于S1/2范数的非局部视频去噪

为了去除视频中的高斯噪声及脉冲噪声,提出了 一种基于S1/2矩阵范数的非局部视频去噪算法。 首先,在视频数据中利用非局部块匹配的钻石搜索算法搜寻与参考图像块最相似的图像块组 ;然后,将搜 寻到的相似图像块组列向量化后组合成的矩阵进行基于S1/2范数的低秩和稀疏分解,分解后 的低秩成分视 为原视频场景信息,稀疏成分视为视频中存在的随机值脉冲噪声及异常值数据;最后,由低 秩矩阵恢复的 各图像块数据经过加权平均后作为参考图像块的去噪估计值,进而求得视频各帧图像的去噪 估计值。实 验结果表明,本文方法能够有效去除视频中的高斯噪声和脉冲噪声,相比同类 算法,去噪后的视频无论 在视觉质量上还是客观评价指标上都有明显的优势。     

基于多特征相关滤波的红外目标跟踪

为实现在复杂背景和多干扰条件下红外目标的稳 定跟踪,提出一种基于多特征相关滤波的红外目标 跟踪算法。首先综合考虑生物视觉关注特性及目标运动特性,提取目标区域的空间特征和 运动特征,进而融合一种改进的卷积特征,生成多特征权值函数;然后在传统 相关滤波的基础上,引入多特 征权值函数用以表征不同候选区域的重要程度,形成权值相关滤波的红外目标跟踪框架;最 终得到能够表 征目标位置的置信图,从而完成红外目标的鲁棒跟踪。在6组不同条件下红外视频序列上的 实验结果表明, 和经典目标跟踪算法相比,本文方法在复杂背景下的平均跟踪成功率提升15%左右,能够有 效应对相似虚 假目标、遮挡、背景辐射强度变化和探测器晃动等不良因素的影响,适用于复杂背景条件下 的红外目标跟踪。     

基于SIFT特征点和交比值的水印图像抗攻击算法

为提高数字水印图像对常规信号和复杂几何攻击的抵抗能力,利用SIFT(scale invariant feature transform)特征点的稳健性和交比值不变特性,提出了一种数字图像顽健水印算法。首先,在原图像经过NSCT(nonsubsampled contourlet transform)变换后的低频子带系数中提取SIFT特征点并对其进行优化筛选,从中确定满足“近凸正四边形” 的系数区域作为水印嵌入的局部区域,然后利用事先设定好的一些交比值在各局部区域中确定要嵌入水印的具体系数,最后利用奇偶量化调制方法嵌入水印信息。与传统算法相比,在提取水印信息时无需对含水印图像进行几何逆变换。实验结果表明,该算法对常规信号处理及多种几何攻击具有较强的抵抗能力和顽健性。     

基于相关滤波器的红外弱小目标检测算法EI北大核心CSCD

针对复杂背景下红外图像中低信噪比弱小目标实时检测问题,提出一种基于相关滤波器的红外弱小目标检测算法。该算法将红外目标检测转化为模式分类问题,在离线训练阶段,利用二维高斯模型构造红外小目标训练集,在此基础上训练得到对目标背景具有区分能力的相关滤波器,在线检测阶段,利用滤波器对图像分块进行滤波操作,目标和背景的滤波响应有着显著的差异,最后生成整幅图像的滤波响应置信图以此来判断图像中是否包含目标及其具体位置。在单帧单目标图像、序列图像多目标检测实验结果表明,与经典检测算法相比,所提方法不仅具有更高检测性能,有效降低了虚警概率,而且具有较好的实时性,适用于复杂背景条件下弱小目标的实时检测。     

内容中心网络中一种基于内容等级及流行度的缓存策略

网内缓存作为内容中心网络(CCN)的核心技术,越来越受到关注。为了提高网络的缓存性能以及用户对数据请求的满意度,该文提出一种基于内容等级及流行度的缓存策略(CLPC)。CLPC策略通过设置不同用户对内容的访问等级以及统计内容的访问频率,决定数据的缓存位置,并且设计了数据替换方法,在一定程度上保证了不同用户对不同数据的最优请求,同时提高了网络的性能。实验证明该策略与CEE+LRU, Prob(0.7)+LRU, Betw+LRU相比,能更好地提高缓存命中率、平均时延及源端命中率等网络缓存性能指标。     

一种基于非采样Contourlet变换的图像融合算法

针对红外与可见光成像传感器的物理特性,提出了一种基于非采样Contourlet变换的红外与可见光图像融合算法。首先对原始图像分别进行非采样Contourlet变换,得到不同尺度与方向下的子带系数。对低频子带系数,采用加权平均的融合规则;对不同尺度与方向下的高频子带系数,采用基于局部区域能量匹配的融合规则。最后经非采样Contourlet逆变换得到融合结果。实验结果表明,该算法可以有效地综合可见光与红外图像中的重要信息,其融合结果较典型的基于塔式分解与基于小波变换的图像融合算法,在主观视觉效果与客观评价指标上均有所改善。     

基于非对称卷积的孪生网络视觉跟踪算法

针对孪生网络对旋转变化目标特征表达能力不足的问题,该文提出了基于非对称卷积的孪生网络跟踪算法。首先利用卷积核的可加性构建非对称卷积核组,可以将其应用于任意卷积核大小的已有网络结构。接着在孪生网络跟踪框架下,对AlexNet的卷积模块进行替换,并在训练和跟踪阶段对网络进行分别设计。最后在网络的末端并联地添加3个非对称卷积核,分别经过相关运算后得到3个响应图,进行加权融合后选取最大值即为目标的位置。实验结果表明,相比于SiamFC,在OTB2015数据集上精度提高了8.7%,成功率提高了4.5%。